Pengguna helloadhavan telah membuat kumpulan data bernama CC-FilteredCorpus yang dirancang untuk memfilter Common Crawl dan mengekstrak konten sebagai Markdown bersih. Proyek ini bertujuan untuk melestarikan struktur dokumen yang berguna, termasuk judul, daftar, tautan, blok kode, dan tabel, alih-alih meratakan semuanya menjadi teks biasa.
Penulis memperkenalkan Calibra, sebuah toolkit open-source yang dirancang untuk menganalisis dan memastikan integritas dataset pembelajaran robot. Alat ini bertujuan mencegah pemborosan komputasi dengan mengidentifikasi data bermasalah sebelum pelatihan dimulai.
Seorang peneliti telah menerbitkan katalog penelitian OpenGauntlet, sebuah sumber daya publik yang berisi informasi tentang 168 sistem teks-ke-suara (TTS) dan 106 sistem suara-ke-teks (STT). Direktori mencakup model open source dan terhosting, lisensi, persyaratan perangkat keras, bahasa, kemampuan, status siklus hidup, informasi sumber, dan data benchmark yang dipublikasikan jika tersedia.
Sebuah matriks kepatuhan yang diperbarui secara bulanan telah diterbitkan untuk semua 4.893 dataset bahasa India di Hugging Face Hub, mengungkapkan bahwa 65,1% tidak mendeklarasikan tag lisensi per 1 Agustus 2026.
Calibra v0.7.1 memperkenalkan tahap Integritas Dataset baru yang berjalan sebelum analisis kualitas dan cakupan untuk membantu pengguna memverifikasi apakah dataset robotika mereka dapat dipercaya.
Calibra adalah toolkit open-source yang dirancang untuk membantu peneliti melakukan audit pada dataset robot dan mengidentifikasi masalah kualitas sebelum melatih kebijakan. Rilis publik pertama mencakup Ruang interaktif Robot Dataset Health Check untuk mengaudit dataset LeRobot dan benchmark dari 30 dataset LeRobot publik dengan skor kesehatan.
Huggy Engine telah menerbitkan Huggy Database di Hugging Face, yang digambarkan sebagai kumpulan data terbuka terbesar untuk balap kuda Prancis yang tersedia. Rilis ini menyediakan cakupan harian lengkap selama 30 tahun dari 1996 hingga 2026 untuk digunakan dalam aplikasi pembelajaran mesin.
Hugging Face telah merilis The Stack v3, yang digambarkan sebagai dataset kode terbuka terbesar hingga saat ini. Rilis ini menyediakan dua metode akses berbeda untuk mengakomodasi kebutuhan pengguna yang beragam.
louidev telah merilis dataset GlassBallAI di Hugging Face, yang menangkap perilaku prakiraan langsung dari model Gemini Google sebelum hasil diketahui. Dataset ini berisi lebih dari 3.655 baris data yang dikumpulkan antara 17 Februari dan 19 Mei 2026, mencakup Gemini 2.5 Flash, 2.5 Pro, 2.5 Flash Lite, dan 3.0 Flash Preview.
Seorang pengguna membagikan pengalamannya mengenai biaya komputasi dalam menghasilkan dataset pelatihan dari simulasi fisika, seperti aliran fluida dan medan struktural. Mereka menyoroti bahwa tantangan utamanya bukan pada arsitektur model, melainkan kesulitan membangun dataset yang besar dan beragam ketika setiap sampel mahal untuk diproduksi.